基于數(shù)據(jù)的流程工業(yè)生產(chǎn)過程指標預測方法綜述

陳龍 劉全利 王霖青 趙珺 王偉

流程工業(yè)是通過分離、混合、成型或物理、化學變化使生產(chǎn)原材料增值的行業(yè),其生產(chǎn)過程一般是連續(xù)或成批進行,主要包括化工、冶金、石油、橡膠、輕工、制藥等[1].現(xiàn)如今我國流程工業(yè)發(fā)展迅速,主要產(chǎn)品產(chǎn)量居世界前列.以粗鋼生產(chǎn)為例,2015年全球粗鋼產(chǎn)量達到16.21億噸,其中中國粗鋼產(chǎn)量達到8.038億噸,占全球粗鋼總產(chǎn)量的49.6%[2].然而目前我國流程工業(yè)普遍面臨著過程結(jié)構(gòu)復雜,工序設(shè)備多,能耗高等突出問題.因此,提高我國流程工業(yè)自動化水平以達到降低能耗和提高效率的目標迫在眉睫.

流程工業(yè)普遍包含諸多重要的生產(chǎn)過程指標或變量,現(xiàn)場操作人員往往會根據(jù)經(jīng)驗對某些特別關(guān)注的關(guān)鍵指標進行監(jiān)測,從而調(diào)控整個生產(chǎn)過程,最終達到穩(wěn)定生產(chǎn)的目標,如高爐煉鐵過程中鐵水溫度,硅含量[3]以及多種質(zhì)量指標[4]等.生產(chǎn)過程指標一般分為兩類,一類是生產(chǎn)過程運行參數(shù),如溫度、壓力等;另一類是定義的生產(chǎn)過程指標,如選礦過程中的精尾礦品位等,而此類指標往往與其他過程變量之間存在著復雜的非線性關(guān)系.考慮到工業(yè)生產(chǎn)過程通常具有非線性和大滯后等特征,對這些指標的測量往往耗時長,難以檢測,或根本無法檢測,因此針對其建立有效的數(shù)學模型進行實時預測(估計)就顯得尤為重要[5].另一方面,從實時生產(chǎn)調(diào)度角度來講,操作人員希望預先了解某些關(guān)鍵指標的未來變化趨勢,這也使得指標趨勢預測成為目前流程工業(yè)生產(chǎn)過程監(jiān)控的重要任務[6?7].傳統(tǒng)的生產(chǎn)過程指標預測采用基于機理建模的方法,此類方法在工藝機理分析的基礎(chǔ)上,依據(jù)物料平衡、熱量平衡和動力學建立數(shù)學模型[8].然而機理建模很大程度上依賴于對過程機理的認知,由于工業(yè)生產(chǎn)常具有非平衡、非穩(wěn)定和強非線性等特點,此類機理模型成本高、難度大,其準確性和可靠性難以保證,往往存在模型精度低和容易失配等問題[8].

隨著計算機和網(wǎng)絡(luò)技術(shù)的發(fā)展,流程工業(yè)企業(yè)基于監(jiān)控與數(shù)據(jù)采集系統(tǒng)(Supervisory control and data acquisition,SCADA)獲取了大量涉及生產(chǎn)過程特點、設(shè)備、質(zhì)量和能源的歷史數(shù)據(jù).目前基于數(shù)據(jù)的方法成為較盛行的生產(chǎn)過程指標預測方法,此類方法通過建立輸入–輸出數(shù)據(jù)變量間的關(guān)系模型完成預測任務,而無需對生產(chǎn)過程的反應或動力學等機理信息進行研究.通?；跀?shù)據(jù)的生產(chǎn)過程指標預測過程包含三個方面,即 1)特征(變量)選擇;2)預測模型建立;3)模型參數(shù)優(yōu)化.特征(變量)選擇過程指從大量的候選輸入特征中挑選出與預測指標最相關(guān)的特征作為預測模型的輸入變量.通常數(shù)據(jù)特征選擇包括經(jīng)驗知識手動選擇和基于數(shù)據(jù)分析的選擇方法.基于經(jīng)驗知識的方法雖然方便快捷,但時常會因經(jīng)驗不足出現(xiàn)錯選漏選或特征冗余的情況.基于數(shù)據(jù)的預測建?？刹捎脵C器學習方法(如人工神經(jīng)網(wǎng)絡(luò)[9]、支持向量機[10]等)來完成,與機理模型不同的是此類方法只關(guān)注模型的輸入和輸出.模型的輸入是選擇的相關(guān)特征變量,模型輸出即是待預測的關(guān)鍵指標.預測模型參數(shù)選取對模型精度影響較大,模型參數(shù)優(yōu)化過程通常以減小預測誤差為目標,使模型獲得較好的預測精度.最常見的模型參數(shù)優(yōu)化方法有基于梯度的方法,如梯度下降法[11]、共軛梯度法[11]等;智能優(yōu)化方法如遺傳算法[12]、模擬退火算法[13]等.圖1給出了基于數(shù)據(jù)的生產(chǎn)過程指標預測方法的基本流程.

圖1 基于數(shù)據(jù)生產(chǎn)關(guān)鍵指標預測的基本流程圖Fig.1 A flow chart of data-based prediction on performance indicators in process industry

本文針對目前基于數(shù)據(jù)的生產(chǎn)過程指標預測在上述三個方面進行綜述,并結(jié)合當前最新的機器學習技術(shù)、自動化發(fā)展趨勢以及工業(yè)過程的需求,探討基于工業(yè)數(shù)據(jù)的生產(chǎn)過程指標預測方法的可能發(fā)展方向.

1 生產(chǎn)過程指標的特征(變量)選擇

被預測的指標值往往與生產(chǎn)過程中的多個過程變量相關(guān),進行生產(chǎn)過程指標預測首先需將與被預測指標最相關(guān)的特征變量從眾多候選變量中挑選出來.以熱軋生產(chǎn)過程為例,針對板帶厚度的預測問題,經(jīng)過特征選擇最終得到影響板帶厚度的輸入因素多達20個[14].基于數(shù)據(jù)的特征選擇根據(jù)是否獨立于后續(xù)的建模算法,可分為過濾式(Filter)和封裝式(Wrapper)兩種[15].過濾式特征選擇的基本思路是采用一種評價準則來增強特征與輸出的相關(guān)性,削減各個特征之間的相關(guān)性從而選擇最相關(guān)特征,再將被選擇的最相關(guān)特征參與建模.而封裝式方法則將特征選擇步驟與建模過程融合,其缺點在于與過濾式方法相比較為耗時.目前,應用在工業(yè)生產(chǎn)過程中最常見的特征選擇方法有過濾式方法,如基于相關(guān)性分析的方法[16?19]等;封裝式方法,如變量修剪方法[20]、基于遺傳算法的方法[21]等.

基于相關(guān)性分析的方法如灰色關(guān)聯(lián)分析法[22],其基本思路是通過線性插值將時間離散觀測值轉(zhuǎn)化為分段連續(xù)的折線,進而根據(jù)折線的幾何特征構(gòu)造測度關(guān)聯(lián)程度模型來評價各狀態(tài)變量之間的關(guān)聯(lián)程度.如文獻[23]針對燒結(jié)過程中燒結(jié)質(zhì)量的預測問題,將8個過程變量分別與燒結(jié)質(zhì)量進行灰色關(guān)聯(lián)分析,并最終挑選了4個與燒結(jié)質(zhì)量最相關(guān)的因素來作為預測模型的輸入.文獻[24]針對鋼鐵工業(yè)轉(zhuǎn)爐煤氣系統(tǒng)中煤氣柜位預測問題提出了一種一致T型灰色關(guān)聯(lián)分析算法來確定轉(zhuǎn)爐煤氣柜位的主要影響因素.文獻[25]針對煉焦生產(chǎn)過程綜合生產(chǎn)指標(焦炭質(zhì)量、產(chǎn)量和焦爐能耗)預測,采用主元分析和灰色關(guān)聯(lián)分析確定了神經(jīng)網(wǎng)絡(luò)預測模型的輸入輸出因素.針對硫酸鋅溶液凈化過程中鈷離子濃度預測[26]和高爐爐溫預測[27]問題,灰色關(guān)聯(lián)方法表現(xiàn)出較好的精度優(yōu)勢.此外,基于F評分的方法也是一類基于相關(guān)性分析的特征選擇方法[19],該方法通過定義一種F評分來表示每個輸入特征與輸出之間的相關(guān)程度,F值越大說明該特征與輸出的相關(guān)性越大.如文獻[28]針對高爐爐溫變化趨勢預測問題,提出了一種依次驗證和F評分方法相結(jié)合的特征選擇方法,從所有的高爐煉鐵過程變量中找出與爐溫變化趨勢最相關(guān)的8個輸入特征.目前大部分基于相關(guān)性分析的特征選擇方法僅僅分析了候選特征與被預測指標之間的關(guān)聯(lián)性,而未考慮各輸入特征之間可能存在的聯(lián)系,從而導致選出的特征中存在冗余,也會在一定程度上影響預測模型的建模效率.

變量修剪算法是一種封裝式特征選擇方法,其思路是基于前饋神經(jīng)網(wǎng)絡(luò)回歸模型從復雜的初始模型出發(fā),以最小化預測誤差為目標,通過逐個將相應輸入權(quán)值設(shè)置為零來剔除不相關(guān)變量[20].該算法在修剪輸入變量的同時優(yōu)化模型的網(wǎng)絡(luò)結(jié)構(gòu)(隱含節(jié)點數(shù)目).如針對高爐鐵水硅含量預測問題,文獻[29?30]分別采用前饋神經(jīng)網(wǎng)絡(luò)模型作為基礎(chǔ)預測模型,并采用變量修剪算法來去除不相關(guān)變量,最終找到了影響鐵水硅含量的主要輸入因素.此外,基于遺傳算法的封裝式方法是將候選特征隨機構(gòu)造預測模型組成種群并進行遺傳操作來選擇最優(yōu)的輸入特征.如文獻[31]提出了一種基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)非線性建模算法,建模過程中采用遺傳算法同時最小化預測誤差和模型復雜度兩個目標,從而得到最優(yōu)輸入特征組合和網(wǎng)絡(luò)結(jié)構(gòu),并將其應用到高爐煉鐵過程中的鐵水硅含量預測問題.文獻[21]針對石油化學制品工業(yè)中的質(zhì)量指標預測問題,將候選輸入變量隨機構(gòu)造的一系列預測模型組成一個種群,以最小化預測誤差為目標,通過類似遺傳算法的策略來找到最優(yōu)的候選變量組合.封裝式特征選擇方法由于以最小化預測誤差為目標進行特征選擇,其預測精度可能優(yōu)于基于相關(guān)性分析的方法,但是由于其在建模過程中融入了特征選擇步驟,算法的時間成本也相對較高.以上針對特定工業(yè)應用的無論是基于相關(guān)性分析的方法還是封裝式特征選擇方法大都是以離線的方式完成,這對于具有時變特性的工業(yè)生產(chǎn)過程并不總是適合.因此針對實際工業(yè)問題開展實時在線式的特征選擇對基于數(shù)據(jù)的特征選擇方法尚具有一定的挑戰(zhàn).

2 生產(chǎn)過程指標預測建模

針對工業(yè)生產(chǎn)過程建模問題,傳統(tǒng)基于物理、化學機理建立精確數(shù)學模型的方法已越來越困難.而相當數(shù)量的工業(yè)企業(yè)每天都在產(chǎn)生并存儲著大量隱含工藝變動和設(shè)備運行等信息的生產(chǎn)、設(shè)備和過程數(shù)據(jù),如何有效利用大量的離線、在線數(shù)據(jù)和知識,在難于建立系統(tǒng)機理模型的情況下,實現(xiàn)對生產(chǎn)過程和設(shè)備的優(yōu)化控制和評價,已成為迫切需要解決的問題.數(shù)據(jù)驅(qū)動的方法是解決機理不明確或含不確定性機理模型對象建模問題的有效方法[32],此類方法利用離線、在線數(shù)據(jù)來描述對象的運行規(guī)律和相關(guān)模式,并結(jié)合反映系統(tǒng)參數(shù)、結(jié)構(gòu)等數(shù)據(jù),來實現(xiàn)復雜系統(tǒng)的建模[33].近年來,針對工業(yè)系統(tǒng)的指標預測問題,已有不少數(shù)據(jù)驅(qū)動方法(如迭代學習[34]、無模型自適應方法[35]和自適應動態(tài)規(guī)劃[36]等)被提出.基于數(shù)據(jù)的預測建模方法中,根據(jù)是否嵌入了機理模型,可將建模方法分為基于數(shù)據(jù)的方法和數(shù)據(jù)–機理相結(jié)合的方法.

2.1 基于數(shù)據(jù)的預測建模

機器學習技術(shù)的發(fā)展為基于數(shù)據(jù)的生產(chǎn)過程指標預測奠定了建?；A(chǔ).如針對煉鐵過程鐵水硅含量預測、產(chǎn)品質(zhì)量指標預測、選礦生產(chǎn)指標預測等問題[37?39].較為常用的方法如人工神經(jīng)網(wǎng)絡(luò)[40]、支持向量機[41]、高斯過程回歸方法[42]以及偏最小二乘回歸方法[43]等.文獻[44]針對鐵水硅含量預測,通過聯(lián)合人工神經(jīng)網(wǎng)絡(luò)和定性分析的方法建立預測模型.文獻[45?46]采用人工神經(jīng)網(wǎng)絡(luò)分別對鋼板軋制過程中的軋制力和串聯(lián)軋制機組的震顫進行了預測.文獻[47]針對高爐煉鐵過程中的硅含量變化趨勢預測,提出了二編碼支持向量機模型.基于偏最小二乘回歸方法和核偏最小二乘法的預測模型也應用于化工生產(chǎn)過程的產(chǎn)品質(zhì)量[48]和銅轉(zhuǎn)爐吹煉過程的關(guān)鍵操作參數(shù)預測[49].基于混沌的多步迭代預測和基于AdaBoost的預測模型也分別應用于鐵水硅含量預測[50]和選礦生產(chǎn)指標預測[51]中.此外,基于數(shù)據(jù)的預測模型不僅被應用在生產(chǎn)監(jiān)控與調(diào)度需求中,也被應用在預測優(yōu)化控制中[52?53],而采用基于數(shù)據(jù)的機器學習方法(如人工神經(jīng)網(wǎng)絡(luò)、支持向量機等)來進行預測建模是當前較為流行的方法[54?58].其基本思路是將當前時刻的系統(tǒng)輸入值和真實輸出值作為基于數(shù)據(jù)預測模型的輸入來預測系統(tǒng)的輸出,并將此預測輸出值反饋到系統(tǒng)輸入端以進行滾動優(yōu)化.此類方法充分利用了機器學習技術(shù)較強的非線性擬合能力,而無需關(guān)注系統(tǒng)內(nèi)在機理,具有較強的可應用性;但卻需要大量的歷史數(shù)據(jù)來作為預測模型的建?；A(chǔ).

根據(jù)生產(chǎn)過程中不同的預測需求或不同的生產(chǎn)狀況,基于數(shù)據(jù)的預測建模通常有以下幾種分類方法.根據(jù)預測時長需求,可分為長期預測模型和短期預測模型;根據(jù)預測輸出指標的數(shù)量,可分為多輸出預測和單輸出預測;根據(jù)模型中是否考慮時滯因素,可以分為時滯因素模型和非時滯模型;根據(jù)是否有在線更新模型參數(shù),可分為離線模型和在線模型;根據(jù)是否使用單一的機器學習預測模型,可以分為多模型集成和單一模型等.下面將重點綜述幾類預測建模問題,包括長期預測模型、多輸出模型、時滯因素模型、在線預測模型、集成預測模型和時間序列預測模型.

1)長期預測模型

流程工業(yè)生產(chǎn)中為了達到生產(chǎn)資源的合理配置,通常需要一個相對長期生產(chǎn)規(guī)劃(如天、月等),因此對生產(chǎn)過程指標的長期預測就顯得尤為重要.短期預測一般采用單步迭代的方法,然而此方法應用在長期預測問題時預測誤差會隨著迭代步數(shù)的增加而積累,導致最終的誤差很大[59?61].如文獻[61]針對轉(zhuǎn)爐煤氣流量的長期預測,提出了一種基于鋼鐵生產(chǎn)狀態(tài)估計的轉(zhuǎn)爐煤氣流量長期預測方法,通過特征提取和特征融合得到全局性特征,利用全局性特征來實現(xiàn)轉(zhuǎn)爐煤氣流量的長期預測.文獻[62]提出粒度時間序列的概念,并采用模糊聚類方法構(gòu)造時間粒度以進行長期趨勢預測.針對鋼鐵能源系統(tǒng)的副產(chǎn)煤氣流量長期預測問題,文獻[63]提出了一種基于粒度計算的長期預測方法,通過對工業(yè)原始數(shù)據(jù)根據(jù)過程操作工藝進行時間上的粒度劃分,采用動態(tài)時間彎曲技術(shù)和模糊聚類產(chǎn)生類別實現(xiàn)長期預測.而文獻[64]針對鋼鐵工業(yè)中氧氮能源系統(tǒng)的調(diào)度問題,采取了預測–調(diào)度兩階段的調(diào)度方法,其中長期預測部分同樣采用了基于時間粒度劃分的方法.

基于時間粒度劃分的方法雖然可以有效地避免單步迭代預測帶來的誤差積累問題,但是以上文獻中的時間粒度劃分都是采用人工劃分的方式,極度依賴于人工經(jīng)驗,粒度劃分的效果很難科學評判,而且難以推廣到其他工業(yè)應用,有一定的局限性.因此更智能的自動劃分方法以及更合理的粒度劃分評判方法是目前研究的重點[63].

2)多輸出預測模型

工業(yè)生產(chǎn)過程往往需要同時關(guān)注多個關(guān)鍵預測指標,分別對各個指標建立預測模型的方法會丟失被預測指標之間的內(nèi)在關(guān)聯(lián)耦合信息,從而導致預測精度不高.如鋼鐵工業(yè)轉(zhuǎn)爐煉鋼生產(chǎn)中,文獻[24,65]針對兩個轉(zhuǎn)爐煤氣柜柜位預測,考慮兩個煤氣柜之間的相互關(guān)聯(lián)影響,建立了多輸出最小二乘支持向量機預測模型.文獻[66]針對轉(zhuǎn)爐煤氣柜柜位的長期預測問題,提出采用基于粒度計算的協(xié)作式模糊聚類方法建立了兩柜位長期預測模型.文獻[67]針對高爐煉鐵過程中的四個關(guān)鍵質(zhì)量指標(鐵水溫度、硅含量、硫含量和磷含量)的預測問題,建立了基于建模精度綜合評價與遺傳參數(shù)優(yōu)化的鐵水質(zhì)量多輸出支持向量回歸動態(tài)預測模型.文獻[68]采用多輸出最小二乘支持向量機同時預測氧化鋁蒸發(fā)過程的全堿濃度、氧鋁濃度和苛堿濃度.在以上的工業(yè)預測應用中多輸出預測模型都提高了模型預測精度.

3)時滯因素模型

流程工業(yè)生產(chǎn)過程通常具有時滯性,輸入變量的變化往往需要經(jīng)過一段時間才能反映到被預測指標上,如選礦過程、鋼鐵生產(chǎn)過程等.一方面預測建模需將輸入變量的時滯性考慮在預測建模中;另一方面被預測指標本身通常具有連續(xù)性,其當前時刻取值與歷史時刻值有著相互關(guān)聯(lián),考慮輸入輸出閉環(huán)聯(lián)系,通常需將被預測指標歷史時刻的變量值作為模型的輸入特征來進行建模.如文獻[69]針對高爐煤氣系統(tǒng)柜位波動的建模問題,將前一時刻的高爐煤氣柜柜位值添加到預測模型的輸入向量中進行了T-S模糊預測建模.對于煉鋼轉(zhuǎn)爐煤氣柜柜位預測,也需要將歷史時刻的柜位值反饋到輸入變量中以形成輸入輸出閉環(huán)聯(lián)系[24,65].文獻[70?71]分別針對高爐煉鐵過程多元鐵水質(zhì)量預測問題和鐵水溫度預測問題,考慮到煉鐵過程中的時滯性質(zhì),將相關(guān)輸入輸出變量的時序和時滯關(guān)系融合到建模過程.文獻[31]考慮了5小時的輸入延遲影響,針對高爐鐵水硅含量預測問題,將輸入變量的時滯影響考慮到模型中,提高了預測精度.然而此種考慮輸入延遲的方法的關(guān)鍵在于選定輸入變量的延遲時間,這對于模型的性能有著重要影響.但目前文獻中通?；谌斯そ?jīng)驗來手動選取延遲時間,預測模型建模的效果往往是難以保證的.

4)在線預測模型

在線模型是將采集的新樣本不斷參與到現(xiàn)有模型的再訓練中,此類預測模型的內(nèi)部參數(shù)會根據(jù)新樣本實時更新,模型會實時反映新的工況,從而提高預測精度.如文獻[72]針對選礦過程精礦品位的預測問題,提出了一種自適應在線支持向量機預測模型.模型依據(jù)新工況樣本對現(xiàn)有樣本集統(tǒng)計特性的影響,引入了模型參數(shù)自適應調(diào)整機制,并采用在線迭代學習機制更新模型.文獻[73]針對濕法煉鋅凈化過程中雜質(zhì)離子濃度預測問題,提出了基于在線支持向量回歸的離子濃度預測模型.另外,文獻[74]針對全廠級的產(chǎn)品質(zhì)量指標預測問題,提出了一種根據(jù)訓練樣本的統(tǒng)計特性能在線更新參數(shù)的支持向量機預測模型.文獻[75]針對轉(zhuǎn)爐煤氣系統(tǒng)中煤氣柜柜位和煤氣流量的預測問題,提出了一種基于最小二乘支持向量機預測模型.其中模型的參數(shù)優(yōu)化采用了一種并行化的粒子群和并行驗證方法,實現(xiàn)了模型參數(shù)快速的在線更新.

5)集成預測模型

單一的機器學習預測模型通常有性能不穩(wěn)定,對模型參數(shù)敏感,易過擬合等缺點.而采集的工業(yè)數(shù)據(jù)通?？煽醋魇菐追N不同的生產(chǎn)狀態(tài)相疊加而產(chǎn)生的序列,因此單一預測模型并不能完全反映多狀態(tài)數(shù)據(jù)的變化特性.如文獻[76]針對赤鐵礦選生產(chǎn)率預測問題,提出使用多個最小二乘支持向量機模型對聚類后的數(shù)據(jù)(每一類可以看作一個工況)進行建模再進行加權(quán)組合.文獻[77]針對濕法煉鋅凈化過程中鈷離子濃度預測問題,基于集成建模思想將兩個單一支持向量機子模型進行加權(quán)集成.文獻[78?79]分別針對非線性工業(yè)時間序列預測和高爐鐵水硅含量的預測問題,都考慮到單個神經(jīng)網(wǎng)絡(luò)模型易過擬合的特點,提出使用Bootstrap方法將多個網(wǎng)絡(luò)模型集成來構(gòu)造預測區(qū)間 (方差和均值),以增強模型的穩(wěn)定性.針對針鐵礦法沉鐵過程反應器出口亞鐵離子和鐵離子濃度的預測問題,文獻[80]提出將基于改進差分進化算法參數(shù)優(yōu)化的最小二乘支持向量機預測模型和過程神經(jīng)網(wǎng)絡(luò)模型集成來進行預測.集成模型提高了單一預測模型的穩(wěn)定性和預測精度,但是模型的參數(shù)眾多,通常較為復雜,同時也增加了模型訓練時間.因此,此類模型大多不適用于在線模型.

6)時間序列預測模型

2.2 基于數(shù)據(jù)與機理的集成預測建模

基于數(shù)據(jù)的機器學習預測模型在描述輸入輸出非線性關(guān)系方面優(yōu)勢明顯,但此類方法在先驗知識處理、模型計算復雜度等方面仍然存在局限性.為彌補基于數(shù)據(jù)建模方法的缺點,基于機理模型和數(shù)據(jù)模型相結(jié)合的方法是一種有益的嘗試.一類方案是將機理模型和基于數(shù)據(jù)的誤差補償方法相結(jié)合來構(gòu)造預測模型[84?85].該類方法適用于反應機理相對明確的工業(yè)過程,以基于動力學、熱力學以及物料平衡、能量平衡的機理模型作為集成建模主體,利用生產(chǎn)數(shù)據(jù)建立誤差補償模型,補償主體模型輸出與實際輸出的差值.如文獻[84]針對針鐵礦法沉鐵過程出口亞鐵離子濃度預測,采用并聯(lián)方式集成了沉鐵過程的機理模型和基于最小二乘支持向量機的輸出誤差補償模型.文獻[85]針對文獻[84]中的方法構(gòu)建了亞鐵離子濃度預測模型的在線參數(shù)更新策略.文獻[86]分析爐內(nèi)電熱轉(zhuǎn)換關(guān)系,利用能量守恒原理建立了產(chǎn)品單噸能耗機理模型,提出了由基于機理分析的單噸能耗主模型和基于神經(jīng)網(wǎng)絡(luò)的誤差補償模型組成的產(chǎn)品單噸能耗混合預報模型.文獻[87?88]基于機理模型和神經(jīng)網(wǎng)絡(luò)誤差補償模型相結(jié)合的建模形式,分別預測了濕法煉鋅過程中的鈷離子濃度和氧化鋁冶煉過程中的生料漿質(zhì)量,所提方法都提高了單獨使用機理預測模型的預測精度.另外一類是將機器學習模型融合到基于有限元分析的鋼板軋制機理模型中以降低有限元分析的時間消耗,其中機器學習模型的訓練數(shù)據(jù)來源于有限元模擬過程.如文獻[89]采用有限元分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的建模方法對軋鋼過程中的閉合孔隙進行預測.文獻[90]結(jié)合軋制過程機理分析和基于數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型來預測軋鋼過程中的軋制力,以提高預測精度.此外,還有一種方案是將軋制過程的精確數(shù)學模型和數(shù)據(jù)模型相結(jié)合.如文獻[91?92]針對軋制力預測,分別將貝葉斯推理和神經(jīng)網(wǎng)絡(luò)模型與軋制過程的精確數(shù)學模型相結(jié)合預測了軋制力.

此類方法僅適用于機理過程相對明確的生產(chǎn)過程,而現(xiàn)代生產(chǎn)過程越來越復雜,大部分生產(chǎn)過程并沒有一個清晰的機理模型.因此,此類建模方法的應用受到了一定的限制.將復雜生產(chǎn)過程中的局部精確機理模型與數(shù)據(jù)模型相結(jié)合是未來一個研究方向.

3 預測模型的參數(shù)優(yōu)化

基于數(shù)據(jù)的預測模型通常包含重要的參數(shù),其選取對于預測模型的性能有著重要影響(如最小二乘支持向量機的核函數(shù)參數(shù)和懲罰因子、神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元個數(shù)以及學習率等).針對此類參數(shù)的優(yōu)化方法有基于梯度的方法和智能優(yōu)化方法等.

3.1 基于梯度的優(yōu)化方法

基于梯度的優(yōu)化方法利用目標函數(shù)的梯度信息進行優(yōu)化,是機器學習中使用較為廣泛的方法.該方法可以建立明確的優(yōu)化搜索方向,但對初始值較敏感,易陷入局部最優(yōu).常用的基于梯度的方法有梯度下降法、共軛梯度法等[11].在工業(yè)應用中通常會將基于梯度的優(yōu)化方法和其他方法相結(jié)合,更好地優(yōu)化模型參數(shù),如與基于噪聲估計的方法[93?94],與基于誤差密度函數(shù)估計的方法[95],與網(wǎng)格搜索算法[96]相結(jié)合等.

預測誤差一般被認為由工業(yè)數(shù)據(jù)噪聲和預測模型的欠精確共同導致,若將預測誤差的方差逼近噪聲方差,那么相當于將模型的誤差逼近于零,這樣求得模型參數(shù)將會有最優(yōu)的預測性能.如文獻[93]考慮工業(yè)噪聲對參數(shù)的影響,提出采用一種基于噪聲估計和共軛梯度方法來優(yōu)化最小二乘支持向量機預測模型中的核函數(shù)參數(shù)和懲罰因子.文獻[94]同樣采用該方法優(yōu)化基于核回歸的區(qū)間預測模型中的懲罰因子、核函數(shù)權(quán)重以及核函數(shù)的寬度等參數(shù).通過控制誤差概率密度函數(shù)形狀進行參數(shù)優(yōu)化是另一類有效的思路.如文獻[95]針對選礦過程中的混合精礦品位預測問題,將誤差的概率密度函數(shù)表示成最小二乘支持向量機模型參數(shù)(核函數(shù)的寬度和懲罰因子)的函數(shù),通過調(diào)節(jié)此類參數(shù)來得到預期的誤差概率密度函數(shù),從而達到優(yōu)化模型參數(shù)的目的.此外,在基于交叉驗證的網(wǎng)格搜索參數(shù)優(yōu)化方法中會存在反復求逆,同時缺乏指導的網(wǎng)格遍歷搜索會消耗大量時間,無法滿足現(xiàn)場實時性要求且優(yōu)化結(jié)果也不理想.而基于梯度的優(yōu)化方法會指導優(yōu)化方向,但同時有易陷入局部最優(yōu)的缺點.因此文獻[96]將以上兩種方法相結(jié)合,針對焦爐煤氣柜位預測,提出了一種基于網(wǎng)格搜索和梯度法相結(jié)合的參數(shù)優(yōu)化方法.該方法采用基于快速留一法導出網(wǎng)格梯度搜索方向來避免普通網(wǎng)格搜索方向的盲目性,從而快速獲得了較優(yōu)的模型參數(shù).再如文獻[97]將遺傳算法和梯度下降法相結(jié)合進行參數(shù)優(yōu)化應用于煤氣柜位預測問題.

以上基于梯度的參數(shù)優(yōu)化方法與其他方法相結(jié)合能夠獲得更好的參數(shù)優(yōu)化結(jié)果,然而此類方法存在運算時間長的缺點,大多不適用于工業(yè)生產(chǎn)的在線參數(shù)優(yōu)化,只能進行離線應用.

3.2 基于智能優(yōu)化的方法

智能優(yōu)化算法是一類啟發(fā)式優(yōu)化算法[98?100],此類方法都是從任一解出發(fā),按照某種機制,以一定的概率在整個求解空間中探索最優(yōu)解.智能優(yōu)化算法廣泛應用于基于數(shù)據(jù)的預測模型參數(shù)優(yōu)化問題[97,101?104],且多數(shù)應用以最小化預測誤差為優(yōu)化目標.如文獻[101?102]分別針對高爐鐵水硅含量預測問題,提出一種基于混沌粒子群優(yōu)化的支持向量回歸機參數(shù)優(yōu)化算法.文獻[103]針對銅閃速熔煉過程中冰銅溫度、冰銅品位及渣中鐵硅質(zhì)量比三個關(guān)鍵工藝指標的預測,采用了實數(shù)編碼的加速遺傳算法來優(yōu)化投影尋蹤回歸預測模型的參數(shù).針對石油工業(yè)中的二氧化碳腐蝕率的預測問題,有學者采用了模擬退火算法來優(yōu)化最小二乘支持向量機預測模型的參數(shù)[104].文獻[65,75]分別采用粒子群算法和并行粒子群算法優(yōu)化了最小二乘支持向量機的參數(shù).文獻[82]采用模擬退火算法優(yōu)化了基于核函數(shù)動態(tài)貝葉斯網(wǎng)的核函數(shù)參數(shù).此外,遺傳算法還被用來優(yōu)化支持向量機的參數(shù)[26,67].上述智能算法雖然在參數(shù)優(yōu)化過程中容易獲得全局最優(yōu)解,但是它們應用在工業(yè)生產(chǎn)過程參數(shù)優(yōu)化問題中依然存在較高的不確定性,沒有最優(yōu)搜索方向以及計算復雜度較高等缺點.

4 結(jié)論與展望

現(xiàn)有基于數(shù)據(jù)的生產(chǎn)過程指標預測方法盡管研究成果已較為豐碩,但是依然存在以下問題.1)現(xiàn)有模型雖然對于工況穩(wěn)定的生產(chǎn)指標預測有著較好的預測效果,然而多數(shù)生產(chǎn)過程是時變過程,且經(jīng)常受人為干擾.而現(xiàn)有預測模型本身大多不能自動地識別工業(yè)過程中的時變特性,進而導致基于數(shù)據(jù)的預測模型精度不高.因此,通過工業(yè)大數(shù)據(jù)分析方法有效識別這種時變特性是一個關(guān)鍵研究問題.2)對于一個特定的預測模型,其預測結(jié)果的誤差通常是由工業(yè)噪聲以及模型本身的不準確兩部分因素導致.鑒于工業(yè)噪聲難以避免,因此消除模型本身所帶來的誤差也是一個值得研究的問題.

鄉(xiāng)建主體的多元化導致了鄉(xiāng)建類型的多元化，不同主體來自不同的社會階層，站在不同的立場，自然形成了多樣的理念與實踐。但多元化的主體都不可避免的要直面鄉(xiāng)村的現(xiàn)狀問題，并且以解決問題為目標確定鄉(xiāng)建內(nèi)容和方式，因此以“問題——目標——實踐”模式為導向來分析鄉(xiāng)建的類型更具有通用性，論文提出鄉(xiāng)建的四大類型為：以經(jīng)濟可持續(xù)為目標的產(chǎn)業(yè)發(fā)展、以社會可持續(xù)為目標的社區(qū)重構(gòu)、以文化可持續(xù)為目標的文化復興、以生態(tài)可持續(xù)為目標的環(huán)境保護。

近年來也有一些新的機器學習方法在工業(yè)過程指標預測方面的研究進展值得關(guān)注.深度學習技術(shù)是機器學習領(lǐng)域新的研究方向,在語音識別、計算機視覺等領(lǐng)域取得了突破性的進展應用,盡管深度學習在時間序列預測問題方面已有探索[105?108],但在特定工業(yè)預測應用方面的研究還很少.通過采用深度學習自動提取得到層次化的工業(yè)數(shù)據(jù)特征表示,再基于挖掘到的深層次生產(chǎn)特征構(gòu)造工業(yè)長期預測模型是未來預測方法可能的一個研究方向.但目前還存在以下2個難點:1)深度學習模型參數(shù)選取;2)深度學習特征評價.

無模型預測逐漸成為學者研究的焦點[109?110],其特點是無需依賴具體的預測模型,而是通過統(tǒng)計觀測數(shù)據(jù)的方法來估計未來數(shù)據(jù)的變化趨勢.此方法可有效消除由預測模型帶來的模型誤差,因此,將無模型預測方法應用到工業(yè)生產(chǎn)過程實際預測問題(如長期預測等)是未來另一個值得研究的方向.

知識自動化是近年來自動化領(lǐng)域發(fā)展的新方向[111],基于知識的預測方法在某些領(lǐng)域也已形成具體的應用[112?114].生產(chǎn)過程知識表示與獲取,以及基于生產(chǎn)知識的預測模型構(gòu)建等是基于知識自動化的生產(chǎn)過程指標預測方法的關(guān)鍵研究內(nèi)容.

自適應動態(tài)規(guī)劃方法利用一個函數(shù)近似結(jié)構(gòu)(例如神經(jīng)網(wǎng)絡(luò)、模糊模型、多項式等)來估計代價函數(shù),用于按時間正向求解動態(tài)規(guī)劃問題[115],基于此方法的工業(yè)過程預測也形成一些具體應用[116?117].將來基于自適應動態(tài)規(guī)劃預測方法的一個研究方向是深入探究將抽象為智能體的生產(chǎn)過程與外部環(huán)境信息相交互的機制融入預測建模過程以提高預測精度.

1 Gui Wei-Hua,Wang Cheng-Hong,Xie Yong-Fang,Song Su,Meng Qing-Feng,Ding Jin-Liang.The necessary way to realize great-leap-forward development of process industries.Bulletin of National Natural Science Foundation of China,2015,(5):337?342(桂衛(wèi)華,王成紅,謝永芳,宋蘇,孟慶峰,丁進良.流程工業(yè)實現(xiàn)跨越式發(fā)展的必由之路.中國科學基金,2015,(5):337?342)

2中商智業(yè).2016年度全球鋼鐵生產(chǎn)大數(shù)據(jù)分析[Online],available: http://mt.sohu.com/20161110/n472825318.shtml,November 10,2016.

4 Kim S I,Kim K E,Park E K,Song S W,Jung S.Estimation methods for efficiency of additive in removing impu-rity in hydrometallurgical puri fication process.Hydrometallurgy,2007,89(3?4):242?252

5 Shang Xiu-Qin,Lu Jian-Gang,Sun You-Xian.Genetic programming based two-term prediction model of iron ore burning through point.Journal of Zhejiang University(Engineering Science),2010,44(7):1266?1269,1281(商秀芹,盧建剛,孫優(yōu)賢.基于遺傳規(guī)劃的鐵礦燒結(jié)終點2級預測模型.浙江大學學報(工學版),2010,44(7):1266?1269,1281)

6 Zhang B,Yang C H,Li Y G,Wang X L,Zhu H Q,Gui W H.Additive requirement ratio prediction using trend distribution features for hydrometallurgical puri fication processes.Control Engineering Practice,2016,46:10?25

7 Zhao J,Liu Q L,Wang W,Pedrycz W,Cong L Q.Hybrid neural prediction and optimized adjustment for coke oven gas system in steel industry.IEEE Transactions on Neural Networks and Learning Systems,2012,23(3):439?450

8 Zhou Xiao-Jun,Yang Chun-Hua,Gui Wei-Hua.Modeling and control of nonferrous metallurgical processes on the perspective of global optimization.Control Theory&Applications,2015,32(9):1158?1169(周曉君,陽春華,桂衛(wèi)華.全局優(yōu)化視角下的有色冶金過程建模與控制.控制理論與應用,2015,32(9):1158?1169)

9 Remes A,Vaara N,Saloheimo K,Koivo H.Prediction of concentrate grade in industrial gravity separation plantcomparison of rPLS and neural network.IFAC Proceedings Volumes,2008,41(2):3280?3285

10 Wang Jun-Kai,Qiao Fei,Zhu Jun,Ni Jia-Cheng.SVR-based predictive models of energy consumption and performance criteria for sintering.Journal of Tongji University(Natural Science),2014,42(8):1256?1260(王俊凱,喬非,祝軍,倪嘉呈.基于支持向量機的燒結(jié)能耗及性能指標預測模型.同濟大學學報(自然科學版),2014,42(8):1256?1260)

11 Asorey-Cacheda R,Garcia-Sanchez A J,Garcia-Sanchez F,Garcia-Haro J.A survey on non-linear optimization problems in wireless sensor networks.Journal of Network and Computer Applications,2017,82:1?20

12 Korayem M H,Hoshiar A K,Nazarahari M.A hybrid co-evolutionary genetic algorithm for multiple nanoparticle assembly task path planning.International Journal of Advanced Manufacturing Technology,2016,87(9?12):3527?3543

13 Xavier-De-Souza S,Suykens J A K,Vandewalle J,Bolle D.Coupled simulated annealing.IEEE Transactions on Systems,Man,and Cybernetics,Part B(Cybernetics),2010,40(2):320?335

14 Ding S X,Yin S,Peng K X,Hao H Y,Shen B.A novel scheme for key performance indicator prediction and diagnosis with application to an industrial hot strip mill.IEEE Transactions on Industrial Informatics,2013,9(4):2239?2247

15 Wang L P,Wang Y L,Chang Q.Feature selection methods for big data bioinformatics:a survey from the search perspective.Methods,2016,111:21?31

16 Jiang Zhao-Hui,Yin Ju-Ping,Gui Wei-Hua,Yang Chun-Hua.Prediction for blast furnace silicon content in hot metal based on composite differential evolution algorithm and extreme learning machine.Control Theory&Applications,2016,33(8):1089?1095(蔣朝輝,尹菊萍,桂衛(wèi)華,陽春華.基于復合差分進化算法與極限學習機的高爐鐵水硅含量預報.控制理論與應用,2016,33(8):1089?1095)

17 Singh V,Tathavadkar V,Rao S M,Raju K S.Predicting the performance of submerged arc furnace with varied raw material combinations using arti ficial neural network.Journal of Materials Processing Technology,2007,183(1):111?116

18 Zhao J,Wang W,Liu Y,Pedrycz W.A two-stage online prediction method for a blast furnace gas system and its application.IEEE Transactions on Control Systems Technology,2011,19(3):507?520

19 Chen Y W,Lin C J.Combining SVMs with various feature selection strategies.Feature Extraction.Berlin Heidelberg:Springer,2006.315?324

21 Wang D,Liu J,Srinivasan R.Data-driven soft sensor approach for quality prediction in a re fining process.IEEE Transactions on Industrial Informatics,2010,6(1):11?17

22 Deng Ju-Long.A Tutorial on Grey System Theory.Wuhan:Huazhong University of Science and Technology Press,1990.(鄧聚龍.灰色系統(tǒng)理論教程.武漢:華中理工大學出版社,1990.)

23 Wang J S,Wang W.A predictive model of sinter chemical composition and its application.In:Proceedings of the 6th World Congress on Intelligent Control and Automation.Dalian,China:IEEE,2006.4856?4860

24 Zhang Xiao-Ping,Zhao Jun,Wang Wei,Feng Wei-Min,Chen Wei-Chang.Multi-outputleastsquaressupportvector-machine for level prediction in Linz Donaniz gas holder,Control Theory&Applications,2010,27(11):1463?1470(張曉平,趙珺,王偉,馮為民,陳偉昌.轉(zhuǎn)爐煤氣柜位的多輸出最小二乘支持向量機預測.控制理論與應用,2010,27(11):1463?1470)

25 Wang Wei,Wu Min,Lei Qi,Cao Wei-Hua.An improved neural network method for the prediction of comprehensive production indices in coking process,Control Theory&Applications,2009,26(12):1419?1424(王偉,吳敏,雷琪,曹衛(wèi)華.煉焦生產(chǎn)過程綜合生產(chǎn)指標的改進神經(jīng)網(wǎng)絡(luò)預測方法.控制理論與應用,2009,26(12):1419?1424)

26 Yan Mi-Ying,Gui Wei-Hua,Yang Chun-Hua.Prediction on research on cobalt ion concentration based on gray correlation and improved support vector machine.Chinese Journal of Scienti fic Instrument,2011,32(5):961?967(晏密英,桂衛(wèi)華,陽春華.基于灰色關(guān)聯(lián)和改進SVM 的鈷離子濃度預測研究.儀器儀表學報,2011,32(5):961?967)

27 Li Ai-Lian,Zhao Yong-Ming,Cui Gui-Mei.Prediction model of blast furnace temperature based on ELM with grey correlation analysis.Journal of Iron and Steel Research,2015,27(11):33?37(李愛蓮,趙永明,崔桂梅.基于灰色關(guān)聯(lián)分析的ELM 高爐溫度預測模型.鋼鐵研究學報,2015,27(11):33?37)

28 Gao C H,Jian L,Luo S H.Modeling of the thermal state change of blast furnace hearth with support vector machines.IEEE Transactions on Industrial Electronics,2012,59(2):1134?1145

30 Nurkkala A,Pettersson F,Saxn H.Nonlinear modeling method applied to prediction of hot metal silicon in the ironmaking blast furnace.Industrial&Engineering Chemistry Research,2011,50(15):9236?9248

32 Hou Zhong-Sheng,Xu Jian-Xin.On data-driven control theory:the state of the art and perspective.Acta Automatica Sinica,2009,35(6):650?667(侯忠生,許建新.數(shù)據(jù)驅(qū)動控制理論及方法的回顧和展望.自動化學報,2009,35(6):650?667)

33 Shi Yun-Tao,Yang Zhen-An,Li Zhi-Jun,Sun De-Hui,Liu Da-Qian.Method of hybrid system modeling and optimizing control based on data-driven.Journal of System Simulation,2013,25(11):2709?2716(史運濤,楊震安,李志軍,孫德輝,劉大千.基于數(shù)據(jù)驅(qū)動的混雜系統(tǒng)建模與優(yōu)化控制研究.系統(tǒng)仿真學報,2013,25(11):2709?2716)

34 Bu Xu-Hui,Yu Fa-Shan,Hou Zhong-Sheng,Wang Fu-Zhong.Iterative learning control for a class of linear discretetime switched systems.Acta Automatica Sinica,2013,39(9):1564?1569(卜旭輝,余發(fā)山,侯忠生,王福忠.一類線性離散切換系統(tǒng)的迭代學習控制(英文).自動化學報,2013,39(9):1564?1569)

35 Hou Zhong-Sheng,Dong Hang-Rui,Jin Shang-Tai.Modelfree adaptive control with coordinates compensation for automatic car parking systems.Acta Automatica Sinica,2015,41(4):823?831(侯忠生,董航瑞,金尚泰.基于坐標補償?shù)淖詣硬窜囅到y(tǒng)無模型自適應控制.自動化學報,2015,41(4):823?831)

36 Wang Kang,Li Xiao-Li,Jia Chao,Song Gui-Zhi.Optimal tracking control for slag grinding process based on adaptive dynamic programming.Acta Automatica Sinica,2016,42(10):1542?1551(王康,李曉理,賈超,宋桂芝.基于自適應動態(tài)規(guī)劃的礦渣微粉生產(chǎn)過程跟蹤控制.自動化學報,2016,42(10):1542?1551)

37 Wang B,Fang Y,Sheng J F,Gui W H,Sun Y.BTP prediction model based on ANN and regression analysis.In:Proceedings of the 2nd International Workshop on Knowledge Discovery and Data Mining.Moscow,Russia:IEEE,2009.108?111

38 Nakhaei F,Mosavi M R,Sam A,Vaghei Y.Recovery and grade accurate prediction of pilot plant flotation column concentrate:neural network and statistical techniques.International Journal of Mineral Processing,2012,110?111:140?154

39 Nakhaei F,Sam A,Mosavi M R,Zeidabadi S.Prediction of copper grade at flotation column concentrate using Arti ficial Neural Network.In:Proceedings of the 10th IEEE International Conference on Signal Processing(ICSP).Beijing,China:IEEE,2010.1421?1424

40 Er M J,Liao J,Lin J Y.Fuzzy neural networks-based quality prediction system for sintering process.IEEE Transactions on Fuzzy Systems,2000,8(3):314?324

41 Jian L,Gao C H,Li L,Zeng J S.Application of least squares support vector machines to predict the silicon content in blast furnace hot metal.ISIJ International,2008,48(11):1659?1661

42 Jiang S L,Liu M,Lin J H,Zhong H X.A predictionbased online soft scheduling algorithm for the real-world steelmaking-continuouscasting production.Knowledge-Based Systems,2016,111:159?172

43 Bhattacharya T.Prediction of silicon content in blast furnace hot metal using partial least squares(PLS).ISIJ International,2005,45(12):1943?1945

44 Chen J.A predictive system for blast furnaces by integrating a neural network with qualitative analysis.Engineering Applications of Arti ficial Intelligence,2001,14(1):77?85

45 Rath S,Singh A P,Bhaskar U,Krishna B,Santra B K,Rai D,Neogi N.Arti ficial neural network modeling for prediction of roll force during plate rolling process.Materials and Manufacturing Processes,2010,25(1?3):149?153

46 Haghani A,Khoogar A R,Kumarci F.Predicting strip tearing in cold rolling tandem mill using neural network.International Journal of Advanced Design and Manufacturing Technology,2015,8(1):67?75

47 Jian L,Gao C H.Binary coding SVMs for the multiclass problem of blast furnace system.IEEE Transactions on Industrial Electronics,2013,60(9):3846?3856

48 Vanlaer J,Gins G,Van Impe J F M.Quality assessment of a variance estimator for partial least squares prediction of batch-end quality.Computers&Chemical Engineering,2013,52(52):230?239

49 Song Hai-Ying,Gui Wei-Hua,Yang Chun-Hua,Peng Xiao-Qi.Application of dynamical prediction model based on kernel partial least squares for copper converting.The Chinese Journal of Nonferrous Metals,2007,17(7):1201?1206(宋海鷹,桂衛(wèi)華,陽春華,彭小奇.基于核偏最小二乘法的動態(tài)預測模型在銅轉(zhuǎn)爐吹煉中的應用.中國有色金屬學報,2007,17(7):1201?1206)

50 Gao C H,Chen J M,Zeng J S,Liu X Y,Sun Y X.A chaos-based iterated multistep predictor for blast furnace ironmaking process.AIChE Journal,2009,55(4):947?962

51 Liu C X,Ding J L,Chai T Y.Robust prediction for quality of industrial processes.In:Proceedings of 2014 IEEE International Conference on Information and Automation(ICIA).Hailar,China:IEEE,2014.1172?1175

52 Sossan F,Namor E,Cherkaoui R,Paolone M.Achieving the dispatchability of distribution feeders through prosumers data driven forecasting and model predictive control of electrochemical storage.IEEE Transactions on Sustainable Energy,2016,7(4):1762?1777

53 Xiong Wei,Li Bing,Chen Jun,Zhou Hua-Yu.A selfadaptation approach based on predictive control for SaaS.Chinese Journal of Computers,2016,39(2):364?376(熊偉,李兵,陳軍,周華昱.一種基于預測控制的SaaS系統(tǒng)自適應方法.計算機學報,2016,39(2):364?376)

54 Reese B M,Collins Jr E G.A graph search and neural network approach to adaptive nonlinear model predictive control.Engineering Applications of Arti ficial Intelligence,2016,55:250?268

55 Han H G,Zhang L,Hou Y,Qiao J F.Nonlinear model predictive control based on a self-organizing recurrent neural network.IEEE Transactions on Neural Networks and Learning Systems,2016,27(2):402?415

56 Feng K,Lu J G,Chen J S.Nonlinear model predictive control based on support vector machine and genetic algorithm.Chinese Journal of Chemical Engineering,2015,23(12):2048?2052

57 Ekkachai K,Nilkhamhang I.Swing phase control of semiactive prosthetic knee using neural network predictive control with particle swarm optimization.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2016,24(11):1169?1178

58 Wang D C,Lin H.A new class of dual support vector machine NPID controller used for predictive control.IEEJ Transactions on Electrical and Electronic Engineering,2015,10(4):453?457

59 Pedrycz W,Chen S M.Information Granularity,Big Data,and Computational Intelligence.Switzerland:Springer International Publishing,2015.

60 Zhou Z,Xu Z W,Wu W B.Long-term prediction intervals of time series.IEEE Transactions on Information Theory,2010,56(3):1436?1446

61 Tang X Y,Zhao J,Sheng C Y,Wang W.Long term prediction for generation amount of Converter gas based on steelmaking production status estimation.In:Proceedings of the 2014 IEEE International Conference on Fuzzy Systems(FUZZ-IEEE).Beijing,China:IEEE,2014.1088?1095

62 Dong R J,Pedrycz W.A granular time series approach to long-term forecasting and trend forecasting.Physica A:Statistical Mechanics and Its Applications,2008,387(13):3253?3270

63 Zhao J,Han Z Y,Pedrycz W,Wang W.Granular model of long-term prediction for energy system in steel industry.IEEE Transactions on Cybernetics,2016,46(2):388?400

64 Han Z Y,Zhao J,Wang W,Liu Y.A two-stage method for predicting and scheduling energy in an oxygen/nitrogen system of the steel industry.Control Engineering Practice,2016,52:35?45

65 Han Z Y,Liu Y,Zhao J,Wang W.Real time prediction for converter gas tank levels based on multi-output least square support vector regressor.Control Engineering Practice,2012,20(12):1400?1409

66 Han Z Y,Zhao J,Liu Q L,Wang W.Granular-computing based hybrid collaborative fuzzy clustering for long-term prediction of multiple gas holders levels.Information Sciences,2016,330:175?185

67 Zhou Ping,Li Rui-Feng,Guo Dong-Wei,Wang Hong,Chai Tian-You.Multi-output support vector regression modeling for multivariate molten iron quality indices in blast furnace iron making process.Control Theory&Applications,2016,33(6):727?734(周平,李瑞峰,郭東偉,王宏,柴天佑.高爐煉鐵過程多元鐵水質(zhì)量指標多輸出支持向量回歸建模.控制理論與應用,2016,33(6):727?734)

68 Yang Chun-Hua,Nie Xiao-Kui,Chai Qin-Qin,Gui Wei-Hua.Alumina evaporation concentration prediction based on adaptive weighted LS-SVR.Control Engineering of China,2012,19(2):187?190(陽春華,聶曉凱,柴琴琴,桂衛(wèi)華.氧化鋁蒸發(fā)濃度的自適應加權(quán)LSSVR 預測.控制工程,2012,19(2):187?190)

69 Sheng Chun-Yang,Zhao Jun,Wang Wei,Liu Ying.A fuzzy modeling method based on T-S model for blast furnace gas system.Journal of Shanghai Jiaotong University,2012,46(12):1907?1913(盛春陽,趙珺,王偉,劉穎.基于T-S模型的高爐煤氣系統(tǒng)模糊建模.上海交通大學學報,2012,46(12):1907?1913)

70 Song He-Da,Zhou Ping,Wang Hong,Chai Tian-You.Nonlinear subspace modeling of multivariate molten iron quality in blast furnace ironmaking and its application.Acta Automatica Sinica,2016,42(11):1664?1679(宋賀達,周平,王宏,柴天佑.高爐煉鐵過程多元鐵水質(zhì)量非線性子空間建模及應用.自動化學報,2016,42(11):1664?1679)

72 Liu Chang-Xin,Ding Jin-Liang,Jiang Bo,Chai Tian-You.Adaptive online support vector regression prediction model for concentrate grade of the ore-dressing processes.Control Theory&Applications,2014,31(3):386?391(劉長鑫,丁進良,姜波,柴天佑.選礦過程精礦品位自適應在線支持向量預測方法.控制理論與應用,2014,31(3):386?391)

73 Wang Ling-Yun,Gui Wei-Hua,Liu Mei-Hua,Yang Chun-Hua.Prediction model of ion concentration based on improved online support vector regression.Control and Decision,2009,24(4):537?541(王凌云,桂衛(wèi)華,劉梅花,陽春華.基于改進在線支持向量回歸的離子濃度預測模型.控制與決策,2009,24(4):537?541)

74 Liu C X,Ding J L,Toprac A J,Chai T Y.Data-based adaptive online prediction model for plant-wide production indices.Knowledge and Information Systems,2014,41(2):401?421

75 Zhao J,Wang W,Pedrycz W,Tian X W.Online parameter optimization-based prediction for converter gas system by parallel strategies.IEEE Transactions on Control Systems Technology,2012,20(3):835?845

76 Ding J L,Chai T Y,Cheng W J,Zheng X P.Databased multiple-model prediction of the production rate for hematite ore bene ficiation process.Control Engineering Practice,2015,45:219?229

77 Yan Mi-Ying,Gui Wei-Hua,Yang Chun-Hua.Prediction model of cobalt ion concentration based on intelligent fusion strategy.Control and Decision,2011,26(5):707?711(晏密英,桂衛(wèi)華,陽春華.基于智能融合策略的鈷離子濃度預測模型.控制與決策,2011,26(5):707?711)

78 Sheng C Y,Zhao J,Wang W,Leung H.Prediction intervals for a noisy nonlinear time series based on a bootstrapping reservoir computing network ensemble.IEEE Transactions on Neural Networks and Learning Systems,2013,24(7):1036?1048

79 Jiang Zhao-Hui,Dong Meng-Lin,Gui Wei-Hua,Yang Chun-Hua,Xie Yong-Fang.Two-dimensional prediction for silicon content of hot metal of blast furnace based on bootstrap.Acta Automatica Sinica,2016,42(5):715?723(蔣朝輝,董夢林,桂衛(wèi)華,陽春華,謝永芳.基于Bootstrap的高爐鐵水硅含量二維預報.自動化學報,2016,42(5):715?723)

80 Xiong Fu-Qiang,Gui Wei-Hua,Yang Chun-Hua.Integrated prediction model of iron concentration in goethite method to remove iron process.Control and Decision,2012,27(3):329?334(熊富強,桂衛(wèi)華,陽春華.針鐵礦法沉鐵過程鐵離子濃度集成預測模型.控制與決策,2012,27(3):329?334)

81 Liu Ying,Zhao Jun,Wang Wei,Wu Yi-Ping,Chen Wei-Chang.Improved echo state network based on data-driven and its application to prediction of blast furnace gas output.Acta Automatica Sinica,2009,35(6):731?738(劉穎,趙珺,王偉,吳毅平,陳偉昌.基于數(shù)據(jù)的改進回聲狀態(tài)網(wǎng)絡(luò)在高爐煤氣發(fā)生量預測中的應用.自動化學報,2009,35(6):731?738)

82 Chen L,Liu Y,Zhao J,Wang W,Liu Q L.Prediction intervals for industrial data with incomplete input using kernelbased dynamic Bayesian networks.Arti ficial Intelligence Review,2016,46(3):307?326

83 Liu Y,Liu Q L,Wang W,Zhao J,Leung H.Data-driven based model for flow prediction of steam system in steel industry.Information Sciences,2012,193:104?114

84 Xie Shi-Wen,Xie Yong-Fang,Yang Chun-Hua,Jiang Zhao-Hui,Gui Wei-Hua.A ferrous iron concentration prediction model for the process of iron precipitation by goethite.Acta Automatica Sinica,2014,40(5):830?837(謝世文,謝永芳,陽春華,蔣朝輝,桂衛(wèi)華.針鐵礦法沉鐵過程亞鐵離子濃度預測.自動化學報,2014,40(5):830?837)

85 Xie Y F,Xie S W,Chen X F,Gui W H,Yang C H,Caccetta L.An integrated predictive model with an on-line updating strategy for iron precipitation in zinc hydrometallurgy.Hydrometallurgy,2015,151:62?72

86 Wu Zhi-Wei,Chai Tian-You,Wu Yong-Jian.A hybrid prediction model of energy consumption per ton for fused magnesia.Acta Automatica Sinica,2013,39(12):2002?2011(吳志偉,柴天佑,吳永建.電熔鎂砂產(chǎn)品單噸能耗混合預報模型.自動化學報,2013,39(12):2002?2011)

87 Sun B,Gui W H,Wu T B,Wang Y L,Yang C H.An integrated prediction model of cobalt ion concentration based on oxidation-reduction potential.Hydrometallurgy,2013,140:102?110

88 Yang C H,Gui W H,Kong L S,Wang Y L.Modeling and optimal-setting control of blending process in a metallurgical industry.Computers&Chemical Engineering,2009,33(7):1289?1297

89 Chen J,Chandrashekhara K,Mahimkar C,Lekakh S N,Richards V L.Void closure prediction in cold rolling using finite element analysis and neural network.Journal of Ma-terials Processing Technology,2011,211(2):245?255

90 Lin J C.Prediction of rolling force and deformation in threedimensional cold rolling by using the finite-element method and a neural network.The International Journal of Advanced Manufacturing Technology,2002,20(11):799?806

91 Nelson A W,Malik A S,Wendel J C,Zipf M E.Probabilistic force prediction in cold sheet rolling by Bayesian inference.Journal of Manufacturing Science and Engineering,2014,136(4):Article No.041006

92 Rath S,Sengupta P P,Singh A P,Marik A K,Talukdar P.Mathematical-arti ficial neural network hybrid model to predict roll force during hot rolling of steel.International Journal of Computational Materials Science and Engineering,2013,2(1):Article No.1350004

93 Zhao J,Liu Q L,Pedrycz W,Li D X.Effective noise estimation-based online prediction for byproduct gas system in steel industry.IEEE Transactions on Industrial Informatics,2012,8(4):953?963

94 Zhao Jun,Du Ya-Nan,Sheng Chun-Yang,Wang Wei.Kernel-based method for predicting online gas flow interval in metallurgical enterprises.Control Theory&Applications,2013,30(10):1274?1280(趙珺,杜雅楠,盛春陽,王偉.基于核的冶金煤氣流量在線區(qū)間預測.控制理論與應用,2013,30(10):1274?1280)

95 Ding J L,Chai T Y,Wang H.Offline modeling for product quality prediction of mineral processing using modeling error PDF shaping and entropy minimization.IEEE Transactions on Neural Networks,2011,22(3):408?419

96 Zhang Xiao-Ping,Zhao Jun,Wang Wei,Cong Li-Qun,Feng Wei-Min,Chen Wei-Chang.COG holder level prediction model based on least square support vector machine and its application.Control and Decision,2010,25(8):1178?1183(張曉平,趙珺,王偉,叢力群,馮為民,陳偉昌.基于最小二乘支持向量機的焦爐煤氣柜位預測模型及應用.控制與決策,2010,25(8):1178?1183)

97 Zhang X P,Zhao J,Wang W,Cong L Q,Feng W M.An optimal method for prediction and adjustment on byproduct gas holder in steel industry.Expert Systems with Applications,2011,38(4):4588?4599

98 Kennedy J,Eberhart R C.Particle swarm optimization.In:Proceedings of the 1995 IEEE International Conference on Neural Networks.Perth,Australia:IEEE,1995,4:1942?1948

99 Holland J H.Adaptation in Natural and Arti ficial Systems.Ann Arbor:University of Michigan Press,1975.

100 Kirkpatrick S,Gelatt Jr C D,Vecchi M P.Optimization by simulated annealing.Science,1983,220(4598):671?680

101 Tang Xian-Lun,Zhuang Ling,Hu Xiang-Dong.The support vector regression based on the chaos particle swarm optimization algorithm for the prediction of silicon content in hot metal.Control Theory&Applications,2009,26(8):838?842(唐賢倫,莊陵,胡向東.鐵水硅含量的混沌粒子群支持向量機預報方法.控制理論與應用,2009,26(8):838?842)

102 Tang X L,Zhuang L,Jiang C J.Prediction of silicon content in hot metal using support vector regression based on chaos particle swarm optimization.Expert Systems with Applications,2009,36(9):11853?11857

103 Liu Jian-Hua,Gui Wei-Hua,Xie Yong-Fang,Wang Ya-Lin,Jiang Zhao-Hui.Key process indicators predicting for copper flash smelting process based on projection pursuit regression.The Chinese Journal of Nonferrous Metals,2012,22(11):3255?3260(劉建華,桂衛(wèi)華,謝永芳,王雅琳,蔣朝輝.基于投影尋蹤回歸的銅閃速熔煉過程關(guān)鍵工藝指標預測.中國有色金屬學報,2012,22(11):3255?3260)

104 Hatami S,Ghaderi-Ardakani A,Niknejad-Khomami M,Karimi-Malekabadi F,Rasaei M R,Mohammadi A H.On the prediction of CO2corrosion in petroleum industry.The Journal of Supercritical Fluids,2016,117:108?112

106 Dalto M.Deep neural networks for time series prediction with applications in ultra-short-term wind forecasting.In:Proceedings of the 2015 IEEE International Conference on Industrial Technology(ICIT).Seville,Spain:IEEE,2015.1657?1663

107 Hirata T,Kuremoto T,Obayashi M,Mabu S,Kobayashi K.A novel approach to time series forecasting using deep learning and linear model.IEEJ Transactions on Electronics Information and Systems,2016,136(3):348?356

108 Hirata T,Kuremoto T,Obayashi M,Mabu S,Kobayashi K.Deep belief network using reinforcement learning and its applications to time series forecasting.In:Proceedings of the 23rd International Conference on Neural Information Processing.Kyoto,Japan:Springer,2016.30?37

109 Torregrossa D,Boudec J Y L,Paolone M.Model-free computation of ultra-short-term prediction intervals of solar irradiance.Solar Energy,2016,124:57?67

110 Runge J,Donner R V,Kurths J.Optimal model-free prediction from multivariate time series.Physical Review E,2015,91(5):Article No.052909

111 Gui Wei-Hua,Chen Xiao-Fang,Yang Chun-Hua,Xie Yong-Fang.Knowledge automation and its industrial application.Scientia Sinica:Informationis,2016,46(8):1016?1034(桂衛(wèi)華,陳曉方,陽春華,謝永芳.知識自動化及工業(yè)應用.中國科學:信息科學,2016,46(8):1016?1034)

112 Wu S F V,Hsieh N,Lin L J,Tsai J M.Prediction of self-care behaviour on the basis of knowledge about chronic kidney disease using self-efficacy as a mediator.Journal of Clinical Nursing,2016,25(17?18):2609?2618

113 Waardenberg A J,Homan B,Mohamed S,Harvey R P,Bouveret R.Prediction and validation of protein-protein interactors from genome-wide DNA-binding data using a knowledge-based machine-learning approach.Open Biology,2016,6(9):Article No.160183.

114 Zhai Jing-Mei,Ying Can,Xu Xiao.Surface roughness prediction of integration knowledge modeling into date mining.Computer Integrated Manufacturing Systems,2012,18(5):1046?1053(翟敬梅,應燦,徐曉.知識建模和數(shù)據(jù)挖掘融合的粗糙度預測新方法.計算機集成制造系統(tǒng),2012,18(5):1046?1053)

115 Wang Kang,Li Xiao-Li,Jia Chao,Song Gui-Zhi.Optimal tracking control for slag grinding process based on adaptive dynamic programming.Acta Automatica Sinica,2016,42(10):1542?1551(王康,李曉理,賈超,宋桂芝.基于自適應動態(tài)規(guī)劃的礦渣微粉生產(chǎn)過程跟蹤控制.自動化學報,2016,42(10):1542?1551)

116 Luo X,Lv Y X,Li R X,Chen Y.Web service QoS prediction based on adaptive dynamic programming using fuzzy neural networks for cloud services.IEEE Access,2015,3:2260?2269

117 Zhang Zhi-Gang,Ma Guang-Wen,Ye Wei-Bao,Zhang Jun-Liang.System marginal price forecasting based on adaptive dynamic programming.Computer Engineering,2009,35(5):9?11(張志剛,馬光文,葉偉寶,張軍良.基于自適應動態(tài)規(guī)劃的系統(tǒng)邊際電價預測.計算機工程,2009,35(5):9?11)